Biến đổi Fourier cơ bản, công cụ toán học cổ điển dùng để phân tách một tín hiệu thành các tần số thành phần của nó, có thể cho bạn biết nhịp não nào đã xuất hiện ở đâu đó trong toàn bộ bản ghi. Những gì nó không thể cho bạn biết là khi nào chúng xảy ra. Một đợt bùng phát ngắn của hoạt động alpha xuất hiện ngay khi ai đó nhắm mắt là một sự kiện có ý nghĩa, được khóa theo thời gian.
Khi được tính trung bình thành một bản tóm tắt tần số duy nhất trải dài trong một bản ghi mười phút, đợt bùng phát đó sẽ trở thành một số liệu thống kê, không thể phân biệt được với tiếng ồn nền. Khôi phục thời gian của các sự kiện này là điểm khởi đầu cho bất kỳ nghiên cứu điện não đồ (EEG) nghiêm túc nào, và đó chính là vấn đề chính xác mà Biến đổi Fourier thời gian ngắn (STFT) được xây dựng để giải quyết.
Vấn đề với biến đổi Fourier tiêu chuẩn
Biến đổi Fourier tiêu chuẩn là một trụ cột của ngành xử lý tín hiệu cổ điển vì nó phân tích hiệu quả các tín hiệu phức tạp thành tổng của các sóng hình sin thuần túy. Bằng cách tích phân trên khoảng thời gian vô hạn, nó tiết lộ toàn bộ thành phần tần số hiện diện trong một bản ghi.
Tuy nhiên, phương pháp này giả định tín hiệu là dừng; nếu thành phần tần số thay đổi theo thời gian, kết quả đầu ra điển hình sẽ che khuất trình tự thời gian. Hạn chế này khiến cho việc phân biệt giữa một sự kiện ngắn, bùng nổ và một sóng hài duy trì là không thể, điều này lại rất quan trọng trong các lĩnh vực như khoa học thần kinh.
Biến đổi Fourier thời gian ngắn trong phân tích EEG là gì
STFT tiếp cận vấn đề thời gian bằng một chiến lược khá trực tiếp. Thay vì chạy Biến đổi Fourier trên toàn bộ bản ghi EEG cùng một lúc, nó chia tín hiệu thành các đoạn ngắn, liên tiếp, thường được gọi là các cửa sổ, và áp dụng Biến đổi Fourier riêng biệt cho từng đoạn. Mỗi cửa sổ tạo ra một ảnh chụp nhanh tần số thu nhỏ của riêng nó, và việc ghép các ảnh chụp nhanh này lại với nhau theo trình tự sẽ tạo ra một bức tranh chuyển động về cách thành phần tần số thay đổi theo thời gian.
Đầu ra của quá trình này thường được hiển thị dưới dạng phổ đồ (spectrogram), một bản đồ trực quan với trục thời gian nằm dọc theo một trục và tần số nằm dọc theo trục kia. Màu sắc hoặc cường độ tại bất kỳ điểm nào trên bản đồ này đại diện cho công suất, hoặc độ mạnh, của tần số đó tại thời điểm đó. Đây chính xác là giá trị mà phân tích STFT được thiết kế để mang lại.
Như Zabidi và cộng sự đã chỉ ra, phân tích STFT hoạt động để “tiết lộ các thành phần tần số của tín hiệu EEG tại mỗi thời điểm”.
Tại sao chiều dài cửa sổ là thiết lập quan trọng nhất trong STFT
Chia một tín hiệu thành các cửa sổ nghe có vẻ đơn giản, nhưng chiều dài được chọn cho mỗi cửa sổ quyết định gần như mọi thứ về chất lượng và độ trung thực của phổ đồ thu được. Quyết định này liên quan đến một sự đánh đổi không thể tránh khỏi, chỉ có thể kiểm soát.
Hãy nghĩ theo cách này: một cửa sổ dài đóng vai trò như một cây thước đo tần số chính xác nhưng là một chiếc đồng hồ bấm giờ mờ nhạt. Vì chứa nhiều điểm dữ liệu hơn, một cửa sổ dài có thể phân biệt các tần số nằm gần nhau với độ chính xác thực tế. Nhưng vì nó trải dài trên một khoảng thời gian dài hơn, bất kỳ sự kiện nào xảy ra bên trong cửa sổ đó đều bị làm mờ đi, và bạn sẽ mất khả năng xác định chính xác thời điểm có sự thay đổi.
Một cửa sổ ngắn đảo ngược sự đánh đổi này. Nó hoạt động giống như một chiếc đồng hồ bấm giờ chính xác nhưng lại là một cây thước đo tần số mờ nhạt. Nó có thể cho bạn biết gần như chính xác thời điểm điều gì đó xảy ra, nhưng lại gặp khó khăn trong việc tách biệt các tần số nằm gần nhau, vì một lát cắt tín hiệu ngắn đơn giản là không chứa đủ chu kỳ dao động để đo tần số một cách chi tiết.
Đây là một biến thể của nguyên lý bất định chi phối tất cả phân tích thời gian - tần số: bạn không thể đạt được độ phân giải hoàn hảo ở cả thời gian và tần số tại cùng một thời điểm. Việc cải thiện cái này luôn phải trả giá bằng cái kia. Nhận ra sự đánh đổi này, thay vì cố gắng loại bỏ nó, chính là kỹ năng cốt lõi khi làm việc với STFT.
Vì các nhịp EEG khác nhau dao động ở các tốc độ rất khác nhau, nên không có một chiều dài cửa sổ đơn lẻ nào hoạt động tốt cho tất cả chúng. Các hướng dẫn sau đây là những kinh nghiệm thực tế ban đầu được rút ra từ cách các nhịp này thường hoạt động:
Sóng Delta (khoảng 0,5 đến 4 Hz): Đây là những nhịp não chậm nhất, và cửa sổ cần phải đủ dài, thường trong khoảng từ 1 đến 2 giây, để ghi lại ít nhất một chu kỳ hoàn chỉnh của sóng chậm nhất được đo. Một cửa sổ ngắn hơn đơn giản là sẽ không chứa đủ sóng để mô tả đặc tính của nó.
Nhịp Theta và alpha (khoảng 4 đến 13 Hz): Một cửa sổ trung gian, thường khoảng 500 mili giây, có xu hướng tạo ra sự cân bằng khả thi. Nó đủ dài để ghi lại một vài chu kỳ dao động, giúp xác định rõ nhịp, trong khi vẫn đủ ngắn để theo dõi các thay đổi có ý nghĩa, chẳng hạn như sự khởi phát của đợt bùng phát alpha khi nhắm mắt.
Nhịp Beta và gamma (trên khoảng 13 Hz): Những nhịp nhanh hơn này biến chuyển nhanh chóng, vì vậy một cửa sổ ngắn, thường từ 250 mili giây trở xuống, trở nên cần thiết để theo dõi động học nhanh của chúng. Chi phí ở đây là giảm khả năng phân biệt chính xác giữa các tần số nằm gần nhau trong phạm vi gamma cao hơn, một hệ quả trực tiếp của cùng sự đánh đổi đã mô tả ở trên.
Cách STFT tiết lộ sự khác biệt giữa chuyển động thực và chuyển động tưởng tượng
Giá trị thực tiễn của STFT trở nên rõ ràng nhất trong nghiên cứu giao diện não - máy tính (BCI), nơi mục tiêu là chuyển đổi trực tiếp hoạt động của não thành các tín hiệu điều khiển cho một thiết bị.
Một ví dụ được nghiên cứu kỹ lưỡng liên quan đến việc so sánh EEG được ghi lại khi một người tưởng tượng cử động tay với EEG được ghi lại khi tưởng tượng cử động chân, hoặc so sánh các hành động tưởng tượng với phiên bản thể chất thực tế của hành động đó.
Trong các mô hình liên quan đến vận động này, một mục tiêu phân tích phổ biến là một hiện tượng gọi là mất đồng bộ liên quan đến sự kiện (event-related desynchronization), hay ERD, một sự sụt giảm công suất tín hiệu trong các dải nhịp mu và beta trên các vùng não liên quan đến chuyển động. Bởi vì ERD là một sự sụt giảm công suất cụ thể, cố định theo thời gian thay vì là một đặc điểm nền liên tục, nên nó chính xác là loại sự kiện mà việc tóm tắt tần số trên toàn bộ bản ghi sẽ xóa nhòa và một phổ đồ phân giải theo thời gian có thể ghi lại được.
Nghiên cứu của Zabidi và cộng sự áp dụng STFT trực tiếp vào câu hỏi này, đã kiểm tra EEG thu thập được trong quá trình viết tay thực tế và trong quá trình tưởng tượng viết tay. Tín hiệu đầu tiên được chuyển qua một bộ lọc thông dải giới hạn phân tích trong dải từ 8 đến 30 Hz, bao gồm các nhịp alpha và beta có liên quan nhất đến hoạt động vận động, trước khi STFT được tính toán với một cửa sổ Hamming đã được tinh chỉnh.
Kết quả là một phát hiện trực tiếp, cụ thể: “các thành phần tần số của tín hiệu EEG thu được từ việc viết giống hệt với các thành phần tần số thu được trong quá trình tưởng tượng viết”.
Xét về mặt thực tế, mô hình nhịp điện thế của não trong một hành động tưởng tượng gần như tương đồng với mô hình trong hành động thể chất thực tế, một mối tương quan làm nền tảng cho phần lớn logic đằng sau các hệ thống BCI nhằm phát hiện chuyển động dự định mà không yêu cầu bất kỳ cử động thể chất thực tế nào.
Sử dụng STFT để tạo hình ảnh cho các mô hình học sâu
Ngoài việc quan sát trực quan, các phổ đồ do STFT tạo ra đã tìm thấy một đời sống thứ hai như một bước tiền xử lý cung cấp đầu vào cho các hệ thống học sâu, và cụ thể là cho Mạng nơ-ron tích chập (CNN), một loại mô hình ban đầu được xây dựng để nhận diện các mẫu trong hình ảnh. Vì một phổ đồ về cơ bản là một hình ảnh màu thể hiện công suất theo thời gian và tần số, các nhà nghiên cứu tin rằng nó có thể được đưa trực tiếp vào một mô hình học sâu dựa trên hình ảnh, sau đó mô hình này có thể phát hiện cấu trúc tiềm ẩn trong dữ liệu vốn khó có thể chỉ định thủ công.
Một nghiên cứu năm 2019 đã chuyển đổi các bản ghi EEG từ một nhiệm vụ tưởng tượng vận động, phân biệt chuyển động của tay phải với chân phải, thành hình ảnh bằng cả STFT và một phương pháp thời gian - tần số thay thế, sau đó đưa cả hai bộ hình ảnh vào một kiến trúc CNN đã được huấn luyện trước.
Hiệu suất trên cả hai phương pháp đều rất mạnh mẽ, với quy trình tổng thể đạt độ chính xác phân loại 99,35%, được mô tả là điểm số tốt nhất trong số các phương pháp tương đương hiện có. Tuy nhiên, khi hai phương pháp tạo hình ảnh được so sánh trực tiếp với nhau trong cùng nghiên cứu đó, kết quả lại không đồng đều: “phương pháp CWT mang lại kết quả tốt hơn phương pháp STFT”, chỉ ra một sự đánh đổi thực tế, có thể đo lường được trong mức độ trung thực của mỗi phương pháp khi chuyển đổi tín hiệu EEG cơ bản thành một hình ảnh có thể sử dụng được.
Sự đánh đổi này được cho là vấn đề thúc đẩy đằng sau một bước phát triển phương pháp luận riêng biệt. Các nhà nghiên cứu đã xây dựng thứ mà họ gọi là anchored-STFT, được mô tả là “một phiên bản nâng cao của STFT, vì nó giảm thiểu sự đánh đổi giữa độ phân giải thời gian và phổ do STFT đưa ra”.
Kết hợp với một phương pháp tăng cường dữ liệu đối nghịch, quy trình cải tiến này đã báo cáo độ chính xác phân loại từ khoảng 69% đến hơn 90% trên một số bộ dữ liệu BCI, củng cố mô hình rằng STFT thông thường có thể đóng vai trò như một công cụ trích xuất đặc trưng thực sự có năng lực, nhưng những hạn chế đã biết về độ phân giải của nó tạo ra dư địa cho việc cải tiến, cho dù thông qua việc tinh chỉnh tham số, một phiên bản nâng cao của chính kỹ thuật này, hay một phương pháp thời gian - tần số hoàn toàn khác.
Nghiên cứu áp dụng Biến đổi Fourier thời gian ngắn vào phân loại tưởng tượng vận động như thế nào
Một nghiên cứu gần đây đã đưa biến đổi Fourier thời gian ngắn vượt qua giai đoạn trực quan hóa và đi vào một quy trình phân loại hoạt động thực tế. Giống như công trình trước đó được mô tả ở trên, điểm khởi đầu là một nhiệm vụ tưởng tượng vận động, trong đó một người tưởng tượng cử động tay thay vì cử động tay về mặt thể chất.
Các tác giả mô tả một khuôn khổ mà họ gọi là AMD-KT2D, được xây dựng dựa trên thứ mà họ gọi là Biến đổi Fourier thời gian ngắn tối ưu hóa. Thay vì cam kết với một thiết lập cửa sổ cố định duy nhất, biến thể này tinh chỉnh đồng thời hàm cửa sổ và độ phân giải thời gian - tần số, với mục tiêu đã nêu là bảo tồn các đặc trưng không gian và thời gian động mà cấu hình cố định có thể làm mờ hoặc làm mất.
Các hình ảnh thời gian - tần số 2D thu được sau đó được chuyển đến một kiến trúc người hướng dẫn - người học (guide-learner): một mạng ResNet50 cải tiến, được huấn luyện trước trên một tập dữ liệu quy mô lớn, trích xuất các đặc trưng không gian - thời gian cấp cao, trong khi Mạng nơ-ron tích chập 2D tùy chỉnh nắm bắt các đặc trưng đa quy mô. Hàm mất mát Adaptive Margin Disparity Discrepancy được sử dụng để giảm sự chênh lệch giữa hai mạng và căn chỉnh các đặc trưng của chúng.
Các bản ghi EEG cho nhiệm vụ tưởng tượng vận động tay trái so với tay phải được thu thập bằng hệ thống Emotiv Flex. Trên tập dữ liệu đó, bộ phân loại tưởng tượng vận động lai được báo cáo là đạt độ chính xác 96,75% trong cài đặt phụ thuộc đối tượng và 92,17% trong cài đặt độc lập với đối tượng. Sự chênh lệch giữa hai con số đó rất đáng lưu ý: hiệu suất đo được trong cùng một cá nhân không tự động chuyển giao sang một người mà mô hình chưa được huấn luyện.
Kết hợp với các công trình khác được thảo luận trong bài viết này, nghiên cứu chỉ ra rằng các phổ đồ do biến đổi Fourier thời gian ngắn tạo ra là một đầu vào khả thi cho các mô hình học sâu nhằm giải mã tưởng tượng vận động. Những gì nhóm nghiên cứu đó chưa thể xác lập được là khả năng tổng quát hóa. Đây là một nghiên cứu đơn lẻ, trên một tập dữ liệu đơn lẻ, với các số liệu độ chính xác gắn liền với một nhiệm vụ và một nhóm người tham gia, và phương pháp theo báo cáo dựa trên một phiên bản đã qua tinh chỉnh của phép biến đổi chứ không phải dạng tiêu chuẩn.
Những kết quả này nên được xem là đầy hứa hẹn trong bối cảnh riêng của chúng, chứ không phải là hiệu suất đã được xác định chắc chắn cho các giao diện dựa trên EEG nói chung.
Khi STFT bộc lộ hạn chế: Vấn đề độ phân giải cố định
Sự đánh đổi được thảo luận ở trên là hạn chế cốt lõi mà bất kỳ nhà nghiên cứu nào sử dụng STFT cũng cần cân nhắc một cách nghiêm túc trước khi rút ra kết luận từ một phổ đồ.
Một khi chiều dài cửa sổ đã được chọn, giả sử là 500 mili giây, thì chính cửa sổ đó sẽ được áp dụng đồng nhất trên toàn bộ phổ tần số đang được phân tích, bất kể nhà nghiên cứu đang xem xét hoạt động delta 2 Hz chậm hay hoạt động gamma 100 Hz nhanh. Cửa sổ không tự điều chỉnh. Sự đánh đổi thời gian - tần số được mô tả trước đó bị khóa ở một thiết lập duy nhất cho toàn bộ quá trình phân tích, mặc dù các nhịp khác nhau về mặt lý tưởng sẽ hưởng lợi từ các thiết lập khác nhau.
Bản chất cố định này chính là thứ phân tách STFT khỏi một nhóm các kỹ thuật thích ứng, chẳng hạn như các phương pháp dựa trên wavelet. Thay vì khóa một kích thước cửa sổ cho mọi tần số, các phương pháp thích ứng sử dụng hiệu quả các cửa sổ dài hơn cho các tần số thấp hơn và các cửa sổ ngắn hơn cho các tần số cao hơn, điều chỉnh độ phân giải khi cần thiết trong một lần phân tích duy nhất thay vì chấp nhận một sự thỏa hiệp duy nhất cho toàn bộ tín hiệu.
Ví dụ, một nghiên cứu do Wang và cộng sự dẫn đầu nhằm phát triển một phương pháp thời gian - tần số thích ứng đã báo cáo rằng cách tiếp cận của họ “có thể cung cấp độ phân giải thời gian - tần số tối ưu so với STFT và CWT”, nêu tên STFT một cách rõ ràng như mức cơ sở bị vượt qua.
Trong một ứng dụng lâm sàng riêng biệt dự đoán kết quả điều trị bằng thuốc chống trầm cảm ở bệnh Rối loạn trầm cảm chủ yếu từ dữ liệu EEG trước điều trị, các nhà nghiên cứu đã so sánh trực tiếp phương pháp tiếp cận dựa trên wavelet với STFT và một phương pháp phân tách khác, đồng thời báo cáo rằng “phân tích WT đã cho thấy độ chính xác phân loại cao nhất” trong số các kỹ thuật được so sánh, đạt độ chính xác 87,5% so với các giải pháp thay thế.
Quy trình từng bước để tạo và đánh giá phổ đồ EEG
Với những điểm mạnh và hạn chế này, một quy trình làm việc có kỷ luật sẽ giúp đảm bảo rằng STFT được áp dụng một cách phù hợp và kết quả đầu ra của nó được diễn giải một cách trung thực.
Bước 1: Xác định câu hỏi trước khi chạm vào dữ liệu. Mục tiêu là phát hiện một đợt bùng phát gamma nhanh, ngắn ngủi hay theo dõi sự trôi chậm trong công suất delta qua nhiều phút? Câu trả lời sẽ quyết định đầu nào của sự đánh đổi chiều dài cửa sổ là quan trọng nhất.
Bước 2: Chọn chiều dài cửa sổ ban đầu phù hợp với nhịp mục tiêu. Sử dụng các hướng dẫn thực tế ở trên làm điểm khởi đầu, các cửa sổ dài hơn cho delta, các cửa sổ trung gian cho theta và alpha, các cửa sổ ngắn hơn cho beta và gamma. Kết hợp điều này với phương án cửa sổ gối nhau, thường là độ gối nhau từ 50% đến 90% giữa các cửa sổ liên tiếp, giúp làm mượt phổ đồ thu được và giảm sự xuất hiện của các khoảng trống giả tạo giữa các lát cắt thời gian.
Bước 3: Tạo phổ đồ và kiểm tra kỹ lưỡng. Chiều dài cửa sổ đã chọn có hiển thị sự khởi phát rõ ràng, sắc nét cho một nhịp nhanh cần quan tâm hay sự kiện trông như bị làm mờ trên một khoảng thời gian rộng hơn mức cần thiết? Phổ đồ có thể phân biệt rõ ràng đỉnh alpha với đỉnh theta lân cận hay hai nhịp này bị hòa lẫn vào nhau? Các bước kiểm tra trực quan này là một thử nghiệm trực tiếp, thiết thực xem chiều dài cửa sổ đã chọn có phù hợp với dữ liệu hay không.
Bước 4: Coi kết quả là một góc nhìn trong số nhiều góc nhìn có thể có, không phải là kết luận cuối cùng. Một phát hiện tiêu cực, chẳng hạn như không có sự khác biệt gamma đo lường được giữa hai nhóm thử nghiệm, có thể phản ánh sự vắng mặt thực sự của hiệu ứng, hoặc nó chỉ đơn giản phản ánh các giới hạn độ phân giải của cửa sổ STFT cụ thể đã chọn. Một bước hợp lý tiếp theo để xác nhận một phát hiện chưa rõ ràng hoặc quan trọng là phân tích lại cùng một dữ liệu đó bằng một phương pháp thích ứng để đối chiếu chéo.
Tại sao việc theo dõi thời điểm các nhịp não phát xung lại mở ra những hiểu biết mới
Hoạt động của não là một chuỗi các sự kiện được định thời gian, và việc khôi phục thời gian đó sẽ biến một bản ghi phẳng thành một bản tường thuật thời gian thực về các trạng thái tinh thần đang biến chuyển. Bằng cách chuyển từ một bản tóm tắt tần số duy nhất sang một bản đồ theo từng thời điểm, các nhà nghiên cứu có thể kết nối các suy nghĩ, ý định hoặc cảm giác cụ thể trực tiếp với các nhịp não đi kèm với chúng. Sự thay đổi này là thứ biến EEG từ một phép đo tĩnh thành một công cụ có thể hỗ trợ các giao diện não - máy tính và cung cấp đầu vào cho các mô hình học sâu học cách nhận diện các mô hình tinh thần.
Sự đánh đổi về độ phân giải cố định của phương pháp mang lại một bài học rộng hơn: mỗi lựa chọn phân tích đều làm nổi bật một số sự thật trong khi có khả năng làm mờ đi những sự thật khác, vì vậy không có kết quả đơn lẻ nào kể được toàn bộ câu chuyện. Điều này đòi hỏi phải đối chiếu chéo với các cách tiếp cận khác khi các phát hiện có tầm quan trọng, và nó củng cố rằng các mô hình điện thế của não—như sự tương đồng chặt chẽ được thấy giữa chuyển động tưởng tượng và chuyển động thực tế—rất nhiều tầng lớp. Sự tương đồng cơ bản đó củng cố cho ý tưởng rằng não bộ tập dượt các hành động bằng cách sử dụng nhiều tín hiệu nhịp điệu tương tự như những tín hiệu nó sử dụng để thực hiện chúng.
Tài liệu tham khảo
Zabidi, A., Mansor, W., Lee, Y. K., & Fadzal, C. C. W. (2012, September). Short-time Fourier Transform analysis of EEG signal generated during imagined writing. In 2012 international conference on system engineering and technology (ICSET) (tr. 1-4). IEEE. https://doi.org/10.1109/ICSEngT.2012.6339284
Chaudhary, S., Taran, S., Bajaj, V., & Sengur, A. (2019). Convolutional neural network based approach towards motor imagery tasks EEG signals classification. IEEE Sensors Journal, 19(12), 4494-4500. https://doi.org/10.1109/JSEN.2019.2899645
Ali, O., Saif-ur-Rehman, M., Dyck, S., Glasmachers, T., Iossifidis, I., & Klaes, C. (2022). Enhancing the decoding accuracy of EEG signals by the introduction of anchored-STFT and adversarial data augmentation method. Scientific reports, 12(1), 4245. https://doi.org/10.1038/s41598-022-07992-w
Wang, Y., Veluvolu, K. C., & Lee, M. (2013). Time-frequency analysis of band-limited EEG with BMFLC and Kalman filter for BCI applications. Journal of neuroengineering and rehabilitation, 10, 109. https://doi.org/10.1186/1743-0003-10-109
Mumtaz, W., Xia, L., Yasin, M. A. M., Ali, S. S. A., & Malik, A. S. (2017). A wavelet-based technique to predict treatment outcome for Major Depressive Disorder. PloS one, 12(2), e0171409-e0171409. https://doi.org/10.1371/journal.pone.0171409
Các câu hỏi thường gặp
Biến đổi Fourier thời gian ngắn trong phân tích EEG là gì?
Biến đổi Fourier thời gian ngắn (STFT) chia tín hiệu EEG thô thành các cửa sổ thời gian ngắn, liên tiếp và tính toán phổ tần số cho từng cửa sổ. Xếp chồng các ảnh chụp nhanh này theo thứ tự sẽ tạo ra một bức tranh chuyển động, được gọi là phổ đồ (spectrogram), cho thấy công suất của các nhịp não khác nhau thay đổi như thế nào từ thời điểm này sang thời điểm khác.
Tại sao tôi không thể chỉ sử dụng Biến đổi Fourier thông thường trên bản ghi EEG?
Biến đổi Fourier cơ bản chia toàn bộ bản ghi thành các tần số thành phần của nó nhưng xóa đi tất cả thông tin thời gian, vì vậy bạn biết những nhịp nào đã hiện diện nói chung nhưng không biết thời điểm chúng xuất hiện. STFT khôi phục lại thời gian đó bằng cách phân tích riêng biệt các đoạn ngắn, cho phép bạn thấy thời điểm một đợt bùng phát alpha hoặc sự sụt giảm công suất beta thực sự xảy ra.
Phổ đồ hiển thị những gì?
Phổ đồ là một bản đồ trực quan với thời gian trên một trục, tần số trên trục còn lại, và màu sắc hoặc độ sáng thể hiện công suất của từng tần số tại thời điểm đó. Nó biến EEG từ một bản tóm tắt phẳng thành một thứ giống như bản tổng phổ âm nhạc về hoạt động điện của não.
Tại sao chiều dài cửa sổ lại quan trọng đến vậy?
Các cửa sổ dài hơn cung cấp thông tin tần số chính xác nhưng làm mờ thời gian chính xác của các sự kiện, trong khi các cửa sổ ngắn hơn xác định chính xác thời gian nhưng làm nhòe các tần số nằm gần nhau. Sự đánh đổi không thể tránh khỏi này có nghĩa là việc lựa chọn chiều dài cửa sổ sẽ trực tiếp định hình những gì mà một phổ đồ có thể tiết lộ và những gì nó sẽ che giấu.
Chiều dài cửa sổ nào là điểm khởi đầu tốt cho các nhịp não khác nhau?
Đối với các nhịp delta rất chậm, cần có một cửa sổ dài hơn khoảng từ một đến hai giây để ghi lại các chu kỳ đầy đủ. Các nhịp theta và alpha thường được phục vụ tốt bởi một cửa sổ khoảng nửa giây, và các nhịp beta và gamma nhanh hơn đòi hỏi các cửa sổ ngắn hơn khoảng một phần tư giây hoặc ít hơn để theo dõi các thay đổi nhanh chóng của chúng.
STFT có thể tiết lộ những điểm tương đồng giữa chuyển động thực và tưởng tượng như thế nào?
STFT ghi lại sự sụt giảm công suất cố định theo thời gian được gọi là mất đồng bộ liên quan đến sự kiện (ERD) trong các dải mu và beta, xảy ra cả khi một người chuyển động và khi họ tưởng tượng trong đầu về chính chuyển động đó. Phổ đồ của các nhiệm vụ vận động thực và tưởng tượng có thể cho thấy các mô hình tần số gần như giống hệt nhau, hỗ trợ cho tính hợp lý của các giao diện não - máy tính.
STFT có thể được sử dụng với các mô hình học sâu không?
Có, các hình ảnh phổ đồ do STFT tạo ra có thể được đưa trực tiếp vào các mạng nơ-ron tích chập được thiết kế để nhận dạng hình ảnh. Các mô hình này có thể học cách phân biệt các trạng thái não từ các mô hình thời gian - tần số, thường đạt độ chính xác phân loại rất cao trong các nhiệm vụ như phát hiện tưởng tượng vận động.
Hạn chế chính của STFT so với các phương pháp thời gian - tần số khác là gì?
STFT khóa chặt một kích thước cửa sổ duy nhất cho mọi tần số, nghĩa là nó không thể đồng thời cung cấp cả chi tiết thời gian sắc nét cho các đợt bùng phát nhanh và chi tiết tần số mịn cho các sóng chậm. Các kỹ thuật thích ứng như wavelet thay đổi chiều dài cửa sổ hiệu dụng theo tần số, điều này thường dẫn đến độ phân giải tốt hơn và hiệu suất phân loại cao hơn trong các so sánh trực tiếp.
Cách tiếp cận từng bước tốt khi sử dụng STFT trên dữ liệu EEG là gì?
Bắt đầu bằng cách khớp chiều dài cửa sổ ban đầu với nhịp bạn quan tâm, sử dụng các cửa sổ gối nhau để làm mượt phổ đồ, và kiểm tra kết quả để xem các sự kiện có được định thời gian sắc nét hay bị làm mờ. Nếu phát hiện mang tính quan trọng, hãy cân nhắc kiểm tra chéo dữ liệu bằng một phương pháp thích ứng vì một thiết lập STFT đơn lẻ có thể chỉ ưu tiên một loại độ phân giải.
Emotiv là một đơn vị dẫn đầu về công nghệ thần kinh, giúp thúc đẩy nghiên cứu khoa học thần kinh thông qua các công cụ EEG và dữ liệu não bộ dễ tiếp cận.
Tuyên bố miễn trừ trách nhiệm y tế: Thông tin được cung cấp trên trang web này chỉ nhằm mục đích giáo dục và cung cấp thông tin, không được coi là lời khuyên về y tế hoặc sức khỏe. Nội dung này có thể chứa lỗi và không nên dựa vào đó để đưa ra các lựa chọn thay đổi cuộc sống, sức khỏe, y tế hoặc lối sống. Luôn tìm kiếm lời khuyên từ bác sĩ hoặc nhà cung cấp dịch vụ y tế có trình độ khác nếu bạn có bất kỳ câu hỏi nào liên quan đến tình trạng y khoa hoặc phương pháp điều trị.
Christian Burgos




